1С анализ данных

Содержание

Механизм анализа данных и прогнозирования — это один из механизмов формирования экономической и аналитической отчетности. Он предоставляет пользователям (экономистам, аналитикам и т. д.) возможность осуществлять поиск неочевидных закономерностей в данных, накопленных в информационной базе. Этот механизм позволяет:

  • осуществлять поиск закономерностей в исходных данных информационной базы;
  • управлять параметрами выполняемого анализа как программно, так и интерактивно;
  • осуществлять программный доступ к результату анализа;
  • автоматически выводить результат анализа в табличный документ;
  • создавать модели прогноза, позволяющие автоматически прогнозировать последующие события или значения неких характеристик новых объектов.

Механизм анализа данных представляет собой набор взаимодействующих друг с другом объектов встроенного языка, что позволяет разработчику использовать его составные части в произвольной комбинации в любом прикладном решении. Встроенные объекты позволяют легко организовать интерактивную настройку параметров анализа пользователем, а также позволяют выводить результат анализа в удобной для отображения форме в табличный документ.

Механизм позволяет работать как с данными, полученными из информационной базы, так и с данными, полученными из внешнего источника, предварительно загруженными в таблицу значений или табличный документ:

Применяя к исходным данным один из видов анализа, можно получить результат анализа. Результат анализа представляет собой некую модель поведения данных. Результат анализа может быть отображен в итоговом документе, или сохранен для дальнейшего использования.

Дальнейшее использование результата анализа заключается в том, что на его основе может быть создана модель прогноза, позволяющая прогнозировать поведение новых данных в соответствии с имеющейся моделью.

Например, можно проанализировать, какие товары приобретаются вместе (в одной накладной) и сохранить этот результат анализа в базе данных. В дальнейшем, при создании очередной накладной на основании сохраненного результата анализа можно построить модель прогноза, подать ей «на вход» новые данные, содержащиеся в этой накладной, и «на выходе» получить прогноз, — список товаров, которые контрагент Петров Б.С. тоже, скорее всего, приобретет, если их ему предложить:

В механизме анализа данных и прогнозирования реализовано несколько типов анализа данных:

Реализованные типы анализа

Общая статистика

Представляет собой механизм для сбора информации о данных, находящихся в исследуемой выборке. Этот тип анализа предназначен для предварительного исследования анализируемого источника данных.

Анализ показывает ряд характеристик непрерывных и дискретных полей. Непрерывные поля содержат такие типы как Число, Дата. Для остальных типов используются дискретные поля.При выводе отчета в табличный документ заполняются круговые диаграммы для отображения состава полей.

Поиск ассоциаций

Данный тип анализа осуществляет поиск часто встречаемых вместе групп объектов или значений характеристик, а также производит поиск правил ассоциаций. Поиск ассоциаций может использоваться, например, для определения часто приобретаемых вместе товаров, или услуг:

Этот тип анализа может работать с иерархическими данными, что позволяет, например, находить правила не только для конкретных товаров, но и для их групп. Важной особенностью этого типа анализа является возможность работать как с объектным источником данных, в котором каждая колонка содержит некоторую характеристику объекта, так и с событийным источником, где характеристики объекта располагаются в одной колонке.

Для облегчения восприятия результата предусмотрен механизм отсечения избыточных правил.

Поиск последовательностей

Тип анализа поиск последовательностей позволяет выявлять в источнике данных последовательные цепочки событий. Например, это может быть цепочка товаров или услуг, которые часто последовательно приобретают клиенты:

Этот тип анализа позволяет осуществлять поиск по иерархии, что дает возможность отслеживать не только последовательности конкретных событий, но и последовательности родительских групп.

Набор параметров анализа позволяет специалисту ограничивать временные расстояния между элементами искомых последовательностей, а также регулировать точность получаемых результатов.

Кластерный анализ

Кластерный анализ позволяет разделить исходный набор исследуемых объектов на группы объектов, таким образом, чтобы каждый объект был более схож с объектами из своей группы, чем с объектами других групп. Анализируя в дальнейшем полученные группы, называемые кластерами, можно определить, чем характеризуется та или иная группа, принять решение о методах работы с объектами различных групп. Например, при помощи кластерного анализа можно разделить клиентов, с которыми работает компания, на группы, для того, чтобы применять различные стратегии при работе с ними:

При помощи параметров кластерного анализа аналитик может настроить алгоритм, по которому будет производиться разбиение, а также может динамически изменять состав характеристик, учитываемых при анализе, настраивать для них весовые коэффициенты.

Результат кластеризации может быть выведен в дендрограмму — специальный объект, предназначенный для отображения последовательных связей между объектами.

Дерево решений

Тип анализа дерево решений позволяет построить иерархическую структуру классифицирующих правил, представленную в виде дерева.

Для построения дерева решений необходимо выбрать целевой атрибут, по которому будет строиться классификатор и ряд входных атрибутов, которые будут использоваться для создания правил. Целевой атрибут может содержать, например, информацию о том, перешел ли клиент к другому поставщику услуг, удачна ли была сделка, качественно ли была выполнена работа и т. д. Входными атрибутами, для примера, могут выступать возраст сотрудника, стаж его работы, материальное состояние клиента, количество сотрудников в компании и т. п.

Результат работы анализа представляется в виде дерева, каждый узел которого содержит некоторое условие. Для принятия решения, к какому классу следует отнести некий новый объект, необходимо, отвечая на вопросы в узлах, пройти цепочку от корня до листа дерева, переходя к дочерним узлам в случае утвердительного ответа и к соседнему узлу в случае отрицательного.

Набор параметров анализа позволяет регулировать точность полученного дерева:

Модели прогноза

Модели прогноза, создаваемые механизмом, представляют собой специальные объекты, которые создаются из результата анализа данных, и позволяют в дальнейшем автоматически выполнять прогноз для новых данных.

Например, модель прогноза поиска ассоциаций, построенная при анализе покупок клиентов, может быть использована при работе с осуществляющим покупку клиентом, для того, чтобы предложить ему товары, которые он с определенной степенью вероятности приобретет вместе с выбранными им товарами.

1С: Аналитика — новый сервис для сбора аналитических данных. Теперь всю информацию можно формировать в удобные схемы и отчеты, сохранив возможность изучать откуда берется каждое значение. Расскажем как это работает.

Что такое 1С: Аналитика

Сервис построен таким образом, чтобы вы могли выгружать нужную информацию из 1С в удобной форме. Например, требуется узнать сколько у вас было заказов и на какую сумму. Посмотреть обычный отчет недостаточно. Необходимо понять откуда берутся данные, отфильтровать периоды, выбрать категорию товара, разбить на регионы, уточнить сумму продаж, а также НДС по ним. Построить похожий отчет можно почти в любом продукте 1С, но не получится узнать подробнее о каждой цифре. Для этого создана 1С:Аналитика.

Она устанавливается как часть платформы, чтобы вы могли получить данные, а затем оформить их так, как вам нравится. Сделать это можно внутри уже готовой диаграммы или схемы, отредактировать ее или создать совершенно новую. Если вы занимаетесь аналитикой, то можете составить такую диаграмму, чтобы показать в наглядной форме результат проделанной работы. Создать нужную схему может и сам руководитель компании. Аналитика работает как отдельный веб-интерфейс, который может существовать самостоятельно или интегрироваться с веб-публикацией конфигуратора 1С.

Как строить диаграммы

Сервис состоит из рабочего стола, инструментов для создания диаграмм и дашборда. Брать информацию для построения можно из справочника, регистров сведений или накоплений, документов и таблиц.

Переходим к построению. Запросите необходимую информацию, выберите по каким размерностям их нужно сгруппировать. К примеру, вы хотите узнать о продажах по регистру накоплений, использовав уточнения по подразделению, номенклатуре, а также по факту «Прибыль”. При формировании будут учитываться все продажи и разбиваться по указанным категориям. Дополнительно можно использовать фильтрацию, чтобы исключить ненужные данные. Например, выберите продажи только за квартал текущего года, остальные вам показаны не будут. Далее нужно выбрать последовательность отображения данных, создать группировку и задать форму. В будущем диаграмму можно отредактировать.

Готовая диаграмма будет расположена в дашборде. Вы сами выбираете, что оставить в быстром доступе. Меняйте схемы местами, перетаскивайте и редактируйте. Каждую схему можно рассмотреть отдельно.

Как это работает

1С: Аналитика — это отдельный дистрибутив, который использует мощность кластера сервера 1С при выполнении запросов. Соответственно, теряется скорость производительности. Нагрузку можно распределять, если использовать Дата акселератор и копии баз данных. Перераспределение поможет ускорить работу, а также избежать конфликтов при одновременном использовании сервисов разными пользователями.

Дата акселератор — это система управления базами данных, которая ускоряет аналитические процессы. Сложность их в том, что обработать нужно большое количество данных, чтобы получить небольшую, но точную информацию, поэтому требуется много времени и ресурсов. Дата акселератор решает эту проблему. Он использует оперативную память для хранения и обработки информации, а также специальные структуры, чтобы сэкономить время на выполнение запроса. Вместе с Дата акселератором используют копии баз данных, от них зависит размещение в акселераторе актуальной информации для обработки.

1С: Аналитика и мобильный телефон

Получать информацию в удобных графиках с подробным отчетом по каждой цифре — это уже первый шаг к мобильности. Данные могут понадобиться срочно, когда нет под рукой компьютера. Получить доступ с полным функционалом можно через отдельный кабинет или страницу, которую компания «АСТЭК” разрабатывает индивидуально для руководителей. Так вы сможете получить доступ к базам и проводить необходимые операции с мобильного телефона.

1С: Аналитика — это сервис для всех, кому необходимо получать статистику. Его преимущество в универсальности. Вы сами выбираете в каком формате получать данные, а затем формируете свой дашборд. Все полученные цифры можно изучить: из какого источника они взяты, как были сформированы. Управление базами с мобильного телефона доступно через специальный личный кабинет, который реализует компания «АСТЭК”.

Продукты 1С существенно упрощают подготовку и формирование регламентированной отчетности, работу с клиентами, персоналом и поставщиками. Своевременно выходят новые обновления, в которых отражены изменения законодательства и исправлены выявленные пользователями ошибки. Если вы не можете самостоятельно найти решение возникшей проблемы, то обратитесь в поддержку «АСТЭК».

Анализ ведения учета и диагностика в решениях фирмы 1С:

  • Бухгалтерия Предприятия 8, редакций 2.0, 3.0
  • Бухгалтерия Предприятия 8 КОРП, редакций 2.0, 3.0
  • Управление Торговлей 8, редакции 10.3, 11
  • Зарплата и Управление Персоналом 8, редакции 2.5
  • Комплексная Автоматизация 8 редакции 1.1
  • Управление Производственным Предприятием 1.3
  • 1С: ERP Управление Предприятием 2

Что такое Анализ и Диагностика?

Прежде всего, это услуга, выполняемая по технологии!

Причины необходимости диагностики

  • Неверное ведение учета в программе;
  • Неправильная технология работы с программой;
  • Некорректные, избыточные, необоснованные изменения типовой конфигурации;
  • Неправильное внедрение программы;
  • Неверный перенос остатков при переходе на другую программу;
  • Непонимание внутренней архитектуры программного решения (типовой конфигурации).

Неправильная технология работы с программой

Пример: неверное использование типовых операций в УПП.

Пример: необоснованное изменение Плана счетов бухгалтерского учета.

Неправильное внедрение системы

  • Неверная постановка задачи при внедрении;
  • Неполнота внедрения: внедряются не все участки,или же не обеспечивается связь между подсистемами;
  • Пользователи неверно обучены работе в программе;
  • Организационные проблемы;
  • Неверный перенос остатков при переходе на другую программу.

Непонимание внутренней архитектуры программного решения (типовой конфигурации)

Пример: важность регистров.

Пример запроса на диагностику от клиента:

Реальная часть документа: запрос клиента на диагностику.

Проверка настроек ИБ 1С на предмет соответствия требованиям ведения учета в организации

Действие: Проверяются настройки программы, учетных политик.

Оценка существующих доработок ИБ на предмет соответствия требования БУ, НУ и требованиям 1С

Критерии:

  • Обновляемость конфигурации.
  • Соответствие текущим доработкам 1С и требованиям БУ и НУ.

Действие: сравнение с типовой конфигурацией. Анализ.

Проверка соответствия данных бухгалтерского/налогового учета и регистров управленческого учета

Действие: Анализ состояния текущей ИБ по разделам учета: проводки, регистры.

В результате – Отчет!

Результат: Отчет, документ описывающий проблемы и их решения.

К чему это приводит?

  • Исправление ошибок в текущей базе согласно рекомендациям и замечаниям;
  • Полное восстановление учета;
  • (Пере) внедрение информационной системы;

ВНИМАНИЕ! Стоимость каждого этапа существенно может отличаться.
Последствия: Что может быть после?

Где это было сделано?

Примеры внедрений у Клиентов.

Заказчик Характер работ Сроки
Техноком Диагностика, восстановление учета 4 месяца
Веллесстрой Диагностика, перевнедрение 3 месяца
ФГУП им. Лавочкина Перевнедрение 6 месяцев
Буйский электромеханический завод Диагностика 4 дня
Росхимзащита Диагностика 10 дней
ЛЕККО Диагностика 5 дней

Печать (Ctrl+P)

Общая информация о механизме Анализа данных и прогнозирования общего объекта конфигурации АнализДанных можно посмотреть

Анализ = Новый АнализДанных;

В механизме анализа данных и прогнозирования реализовано несколько типов анализа данных:

  • общая статистика,
  • поиск ассоциаций,
  • поиск последовательностей,
  • кластерный анализ,
  • дерево решений.

В данной статье рассмотрим пример типа анализа
кластерный анализ

Анализ.ТипАнализа = Тип(«АнализДанныхКластеризация»);

Кластерный анализ ‑ математическая процедура многомерного анализа, позволяющая на основе множества показателей, характеризующих ряд объектов, сгруппировать их в кластеры таким образом, чтобы объекты, входящие в один кластер, были более однородными, сходными, по сравнению с объектами, входящими в другие кластеры.

В основе данного анализа лежит вычисление расстояния между объектами. Именно исходя из расстояний между объектами и производится их группировка по кластерам. Определение расстояния может проводиться разными способами (по разным метрикам). Поддерживаются следующие метрики:

  • Евклидова метрика,
  • Евклидова метрика в квадрате,
  • Метрика города,
  • Метрика доминирования.

После определения расстояний между объектами может использоваться один из нескольких алгоритмов распределения объектов по кластерам. Поддерживаются следующие методы кластеризации:

  • Ближняя связь,
  • Дальняя связь,
  • k-средних,
  • Центр тяжести.

Схематично механизм проведения кластерного анализа можно представить следующим образом:

Схема выполнения кластерного анализа

На вход объекту АнализДанных подается источник данных. В качестве источника может выступать результат запроса, таблица значений, область ячеек табличного документа. Колонки источника определяются как входные либо неиспользуемые. Следует отметить, что все значения колонок содержатся в системном перечислении ТипКолонкиАнализаДанныхКластеризация. В этом перечислении значений больше (не только неиспользуемые и входные), но другие значения используются при построении прогнозов.

Анализ производится в соответствии с установленными параметрами анализа.

В качестве примера, иллюстрирующего возможность проведения кластерного анализа, будем использовать следующий фрагмент кода:

&НаКлиенте Процедура КластерныйАнализ(Команда) Результат = АнализКластеризация(); КонецПроцедуры &НаСервереБезКонтекста Функция АнализКластеризация() Анализ = Новый АнализДанных; Анализ.ТипАнализа = Тип(«АнализДанныхКластеризация»); Группа = Справочники.Контрагенты.НайтиПоНаименованию(«Юридические лица»); Запрос = Новый Запрос; Запрос.Текст = » |ВЫБРАТЬ |Контрагенты.Ссылка, |Контрагенты.КоличествоРозничныхТочек, |Контрагенты.КоличествоАвтомобилей, |Контрагенты.ВремяРаботыОрганизации, |Контрагенты.ВремяЗаключенияДоговора, |Контрагенты.ВидДоговора, |Контрагенты.ПрекращениеОтношений |ИЗ |Справочник.Контрагенты КАК Контрагенты |ГДЕ |(Не Контрагенты.ЭтоГруппа И Контрагенты.Родитель = &Родитель)»; Запрос.УстановитьПараметр(«Родитель», Группа); Анализ.ИсточникДанных = Запрос.Выполнить(); // Выбор метрики. Анализ.Параметры.МераРасстояния.Значение = ТипМерыРасстоянияАнализаДанных.ЕвклидоваМетрикаВКвадрате; // Выбор метода кластеризации. Анализ.Параметры.МетодКластеризации.Значение = МетодКластеризации.КСредних; РезультатАнализа = Анализ.Выполнить(); Построитель = Новый ПостроительОтчетаАнализаДанных(); Построитель.Макет = Неопределено; Построитель.ТипАнализа = Тип(«АнализДанныхКластеризация»); ТабДок = Новый ТабличныйДокумент; Построитель.Вывести(РезультатАнализа, ТабДок); Возврат ТабДок; КонецФункции

Запрос выполняется по справочнику Контрагенты. По условию запроса выбираются только детальные записи справочника из группы Юридические лица.

Выполнение указанного кода приведет к тому, что в качестве начальных установок анализа данных будут определены следующие значения (часть установлена явно, часть ‑ по умолчанию):

Параметры анализа

Состав колонок определился, исходя из состава полей выборки запроса. По умолчанию они определены с равным весом. Для типов Число и Дата определен вид данных Непрерывные, для остальных типов ‑ Дискретные. При необходимости изменить параметры колонок это можно сделать по аналогии с приведенным фрагментом:

Анализ.НастройкаКолонок.КоличествоАвтомобилей.ДополнительныеПараметры.Вес = 2;

В данной строке для колонки КоличествоАвтомобилей увеличен вес.

Результат анализа будет получен в следующем виде:

Отметим тот факт, что в результате анализа получаются данные именно о найденных кластерах (их количество, центры, расстояния между ними). В результате анализа не получаются данные о том, какие объекты (в нашем случае контрагенты) в какие кластеры входят. Подобное поведение наблюдается в случае, если настройка параметров проводимого анализа не проводится явным образом (а именно параметра ТипЗаполненияТаблицы).

Для того чтобы в результате анализа увидеть распределение объектов по кластерам, необходимо перед выполнением анализа (но после определения его типа) определить следующую строку кода:

Анализ.Параметры.ТипЗаполненияТаблицы.Значение = ТипЗаполненияТаблицыРезультатаАнализаДанных.ИспользуемыеПоля;

Используемые метрики

Сразу отметим такой факт: несмотря на то, что в предыдущем примере входные колонки имели непрерывный тип (для этого типа очевидно понятие «расстояния»), при анализе могут использоваться и колонки дискретных типов (ссылки на справочники, значения перечислений и т. п.).

Разберемся с метриками, которые могут использоваться при проведении кластерного анализа.

1. Евклидова метрика

В данной метрике расстояние между двумя объектами вычисляется по формуле:

Где:

  • Xi, Yi ‑ значения атрибутов двух объектов (между которыми определяется расстояние);
  • Wi ‑ весовой коэффициент атрибута (устанавливается в колонке анализа);
  • i ‑ номер атрибута, от 1 до n;
  • n ‑ число атрибутов.

Предположим, что объекты характеризуются одним свойством, которое у одного объекта имеет значение 9, у другого ‑ 5. Весовой коэффициент данного атрибута равен единице. Расстояние между объектами будет равно:

2. Евклидова метрика в квадрате

В данной метрике расстояние между двумя объектами вычисляется по формуле:

Где:

  • Xi, Yi ‑ значения атрибутов двух объектов (между которыми определяется расстояние);
  • Wi ‑ весовой коэффициент атрибута (устанавливается в колонке анализа);
  • i ‑ номер атрибута, от 1 до n;
  • n ‑ число атрибутов.

Предположим, что объекты характеризуются одним свойством, которое у одного объекта имеет значение 5, у другого ‑ 3. Весовой коэффициент данного атрибута равен двум. Расстояние между объектами будет равно:

3. Метрика города

В данной метрике расстояние между двумя объектами вычисляется по формуле:

Где:

  • Xi, Yi ‑ значения атрибутов двух объектов (между которыми определяется расстояние);
  • Wi ‑ весовой коэффициент атрибута (устанавливается в колонке анализа);
  • i ‑ номер атрибута, от 1 до n;
  • n ‑ число атрибутов.

Предположим, что объекты характеризуются двумя атрибутами, которые имеют значения 3 и 5, 7 и 3. Вес первого равен 2, вес второго равен 1:

Характеристики объектов

4. Метрика доминирования

В данной метрике расстояние между двумя объектами вычисляется по формуле:

Где:

  • Xi, Yi ‑ значения атрибутов двух объектов (между которыми определяется расстояние);
  • Wi ‑ весовой коэффициент атрибута (устанавливается в колонке анализа);
  • i ‑ номер атрибута, от 1 до n;
  • n ‑ число атрибутов.

Предположим, что объекты характеризуются двумя атрибутами, которые имеют значения 3 и 5, 7 и 3. Вес первого равен 2, вес второго равен 1 .

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *